基于空洞卷积与注意力机制的配网单相接地故障选线方法技术

基于空洞卷积与注意力机制的配网单相接地故障选线方法属于配电网故障选线技术领域。本发明专利技术通过采用小波去噪算法对获得的零序电流数据进行预处理，去除无关噪声对信号故障特征的影响；利用变分模态分解算法对预处理过的零序电流进行分解得到固有模态分量，按照高频到低频顺序将其排列，并按线路顺序拼接，获取时频数据矩阵并通过映射转换为像素矩阵，便于空洞卷积神经网络进行故障特征提取；构建基于注意力机制的空洞卷积神经网络，在普通卷积网络中加入空洞，能提高卷积神经网络对故障特征提取的能力，且具有较强的鲁棒性，引入注意力机制可以使故障信号特征更加明确，加快网络收敛速度，并在一定程度上缓解梯度消失问题，提高选线精度。高选线精度。高选线精度。

【技术实现步骤摘要】
基于空洞卷积与注意力机制的配网单相接地故障选线方法


[0001]本专利技术属于配电网故障选线
，特别是涉及到一种基于空洞卷积与注意力机制的配网单相接地故障选线方法。

技术介绍

[0002]随着配电网规模的扩大和结构的复杂化，现阶段国内配电网主要采用中性点小电流接地方式，但据统计，小电流接地系统发生单相接地故障的概率可达80％及以上，严重影响配电网运行的安全性与可靠性。由于小电流接地系统允许带故障运行2小时，但不能长期运行，防止配电线路绝缘薄弱处发生击穿，形成两相故障，故及时发现故障线路尤为重要。然而，小电流接地系统中故障电流信号非常微弱并容易被噪声影响，影响故障选线的准确性。因此，寻找准确判断故障线路的方法具有一定的研究意义。
[0003]目前存在着多种用于小电流接地系统故障选线的方法，大致可分为信号注入法、故障稳态法、故障暂态法、人工智能法。信号注入法是通过中性点向接地线路注入特定频率的信号来选线，但是非故障线路分布电容影响选线的正确性；故障稳态法主要是根据零序分量的相关特性来提出了一系列的算法，但易受中性点接地方式等其他因素的影响，选线准确率并不高；故障暂态法包括谐波法、零序电流比幅比相法等，在故障暂态法对暂态信息非常敏感，实际应用中抗干扰能力不强；大部分的人工智能方法需要人工提取故障特征，其鲁棒性较差。
[0004]因此现有技术当中亟需要一种新型的技术方案来解决这一问题。

技术实现思路

[0005]本专利技术所要解决的技术问题是：提供一种基于空洞卷积与注意力机制的配网单相接地故障选线方法用于解决目前用于小电流接地系统故障选线的方法准确性差、抗干扰能力不强、鲁棒性较差等技术问题。
[0006]基于空洞卷积与注意力机制的配网单相接地故障选线方法，包括以下步骤，并且以下步骤顺次进行：
[0007]步骤一、采集配电网各条线路的零序电流数据
[0008]步骤二、采用小波去噪算法对获得的零序电流数据进行去噪处理，去除无关噪声对故障特征的影响；
[0009]步骤三、分别对去噪处理后的零序电流数据进行变分模态分解，获得各条线路零序电流的固有模态分量，并将其按照高频到低频顺序排列；
[0010]步骤四、拼接各线路的固有模态分量并按照线路顺序进行排列，获取时频数据矩阵并通过映射将时频数据矩阵转换为具有图像性质的像素矩阵，得到故障信号特征图；
[0011]步骤五、构建基于注意力机制的空洞卷积神经网络，在普通卷积网络中加入空洞，用于提高卷积神经网络对故障特征提取的能力，引入注意力机制使故障信号特征更加明确，加快网络收敛速度，同时能够缓解梯度消失问题；
[0012]步骤六、将构造的故障信号特征图按照设定比例划分训练集和测试集，将训练集输入到基于注意力机制的空洞卷积神经网络中，对基于注意力机制的空洞卷积神经网络的各参数进行训练，之后用测试集数据，测试训练后的基于注意力机制的空洞卷积神经网络用于故障选线。
[0013]所述基于注意力机制的空洞卷积神经网络，其结构框架由空洞卷积层，注意力机制层，池化层，全连接层组成，其中空洞卷积层、注意力机制层与池化层是交替叠加的，网络的最后一层为全连接层；
[0014]所述空洞卷积层通过加入空洞的卷积核对故障信号特征图进行卷积操作，提取出故障特征，得到特征图并输入到注意力机制层，并且加入空洞的卷积核的个数等于经过空洞卷积层输出的特征图的个数；
[0015]所述注意力机制层首先采取最大池化以及平均池化的方式将所接收的特征图信息精炼化，分别产生两个不同于的原特征图的1
×
1维的特征向量，然后将这两个特征向量送入含有一个隐藏层的多层感知机(MLP)后相加进而得到一维注意力图M
c
∈R
C
×1×1，其中C为所接收特征图的通道数，隐藏层的维度射得分为R
C/r
×1×1，其中r是层数压缩比例，用于减小计算量，然后通过sigmoid函数激活一维注意力图输入到池化层；
[0016]所述池化层能够降低输出的特征图维度，减少网络参数和计算成本，降低空洞卷积神经网络过拟合现象；
[0017]所述全连接层用于输出每条线路发生故障的概率，然后结合softmax函数输出发生故障概率最大的线路，实现故障选线。
[0018]通过上述设计方案，本专利技术可以带来如下有益效果：
[0019]1)通过采用小波去噪算法对获得的零序电流数据进行预处理，去除无关噪声对信号故障特征的影响，以便神经网络提取故障特征的精度；
[0020]2)利用变分模态算法对预处理过的零序电流进行分解得到固有模态分量，并按照高频到低频顺序排列，并将其按照线路顺序拼接，获得具有图像性质的像素矩阵，便于神经网络进行故障特征提取；
[0021]3)构建基于注意力机制的空洞卷积神经网络，在普通卷积网络中加入空洞，能提高神经网络的检测精度，具有较强的鲁棒性，引入注意力机制可以使故障信号特征更加明确，加快网络收敛速度，同时在一定程度上可以缓解梯度消失问题，提高选线精度。
附图说明
[0022]以下结合附图和具体实施方式对本专利技术作进一步的说明：
[0023]图1为本专利技术基于空洞卷积与注意力机制的配网单相接地故障选线方法的流程框图；
[0024]图2为本专利技术基于空洞卷积与注意力机制的配网单相接地故障选线方法中小波去噪流程图；
[0025]图3为本专利技术基于空洞卷积与注意力机制的配网单相接地故障选线方法的实施例中10kV配网仿真模型图。
具体实施方式
[0026]本专利技术首先采用小波去噪算法对采集到的配电网各条线路的零序电流数据进行预处理，去除无关噪声对故障特征的影响；对预处理过的零序电流数据进行VMD分解，获取每条线路的固有模态分量，然后按照高频到低频顺序排列；拼接各线路的固有模态分量并按照线路顺序进行排列，获取时频矩阵并将其转换为具有图像性质的像素矩阵，得到故障特征图；构建基于注意力机制的空洞卷积神经网络，空洞卷积可以提高神经网络检测精度，注意力机制可以更加明确故障信号特征，提高选线精度；最后按照一定的比例将故障特征图划分为训练集和测试集，训练集用来训练神经网络的参数，测试集用来反映利用基于空洞卷积和注意力机制的神经网络在故障选线问题中的准确率。
[0027]如图1所示，本专利技术的主要实施步骤如下：
[0028]1)采集配电网各条线路的零序电流。通过分析中性点不接地系统和中性点经消弧线圈系统发生单相接地故障时，故障线路的零序电流与非故障线路在大小和相位上存在一定的差异，因此，本专利技术利用电气量零序电流进行故障选线。
[0029]2)采用小波去噪算法对各零序电流数据进行去噪。一般情况下，采集到的零序电流数据含有大量的噪声，影响后续对故障信号故障特征的提取与选线准确率，所以为了提高故障选线精度，需利用小波去噪算法对零序电流进行数据预处理。
[0030]小波去噪是一种信号处理技术，其使用小波变换来去除信号中的噪声。假设零序本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于空洞卷积与注意力机制的配网单相接地故障选线方法，其特征是：包括以下步骤，并且以下步骤顺次进行：步骤一、采集配电网各条线路的零序电流数据步骤二、采用小波去噪算法对获得的零序电流数据进行去噪处理，去除无关噪声对故障特征的影响；步骤三、分别对去噪处理后的零序电流数据进行变分模态分解，获得各条线路零序电流的固有模态分量，并将其按照高频到低频顺序排列；步骤四、拼接各线路的固有模态分量并按照线路顺序进行排列，获取时频数据矩阵并通过映射将时频数据矩阵转换为具有图像性质的像素矩阵，得到故障信号特征图；步骤五、构建基于注意力机制的空洞卷积神经网络，在普通卷积网络中加入空洞，用于提高卷积神经网络对故障特征提取的能力，引入注意力机制使故障信号特征更加明确，加快网络收敛速度，同时能够缓解梯度消失问题；步骤六、将构造的故障信号特征图按照设定比例划分训练集和测试集，将训练集输入到基于注意力机制的空洞卷积神经网络中，对基于注意力机制的空洞卷积神经网络的各参数进行训练，之后用测试集数据，测试训练后的基于注意力机制的空洞卷积神经网络用于故障选线。2.根据权利要求1所述的基于空洞卷积与注意力机制的配网单相接地故障选线方法，其特征是：所述基于注意力机制的空洞卷积...

【专利技术属性】
技术研发人员：李成钢，刘亚东，董洪达，罗国敏，侍哲，于非桐，崔运海，刘大鹏，吴奎忠，金骁，李生珠，杨雪凤，尚博阳，谭颖婕，刘雯琳，张大海，罗思敏，茹嘉欣，吴梦宇，赵祎薇，王韶亮，
申请(专利权)人：吉林省电力科学研究院有限公司北京交通大学国网吉林省电力有限公司，
类型：发明
国别省市：